PkANN - I. 通过人工神经网络进行非线性物质功率谱插值
宇宙学与河外天体物理
2012-09-27 v2
摘要
我们研究了利用人工神经网络(PkANN)对物质涨落功率谱进行插值。我们提出了一种新的方法来应对物质涨落功率谱中的小尺度非线性问题。这种始终存在且有害的不确定性通常是宇宙学研究中的致命弱点，必须加以减少，才能迎来晚期宇宙精确宇宙学的到来。我们表明，一个经过优化训练的人工神经网络(ANN)，当给定一组宇宙学参数(Omega_m h^2, Omega_b h^2, n_s, w_0, sigma_8, m_nu和红移z)时，能够以最坏情况误差≤1%（对于z≤2）拟合通过N体模拟推导出的非线性物质功率谱，对于k≤0.7 h/Mpc的模。我们的功率谱插值器在整个参数空间上都是精确的。这比当前一些物质功率谱计算器有显著改进。在本文中，我们详细说明了如何仅通过稀疏采样的宇宙学参数网格实现物质功率谱的精确插值。与计算昂贵且/或不可行的大规模N体模拟不同，训练有素的ANN可以成为解释宇宙学观测和参数估计的极其快速和可靠的工具。本文是系列的第一篇。在这篇方法论文中，我们使用HaloFit生成非线性物质功率谱，并将其作为模拟观测数据来训练ANN。这项工作为第二篇论文奠定了基础，在第二篇论文中，将使用一套N体模拟以亚百分比精度计算准非线性区域（0.1 h/Mpc ≤ k ≤ 0.9 h/Mpc）的非线性物质功率谱。基于该N体套件的训练好的ANN将发布给科学界。
引用
@article{arxiv.1203.1695,
title = {PkANN - I. Non-linear matter power spectrum interpolation through artificial neural networks},
author = {Shankar Agarwal and Filipe B. Abdalla and Hume A. Feldman and Ofer Lahav and Shaun A. Thomas},
journal= {arXiv preprint arXiv:1203.1695},
year = {2012}
}
备注
12 pages, 9 figures, 2 tables, updated to match version accepted by MNRAS